توسعه الگوریتم‌های یادگیری ماشین جهت پیش‌بینی شاخص کیفیت هوای شهری (منطقه مطالعاتی: شهر تهران)

Abstract

با توجه به مضرات آلودگی هوا بر سلامت انسان‌ها و محیط، کاهش و حل این معضل براساس شناخت دقیق آلاینده‌ها و عوامل تأثیرگذار بر آن و مشخص نمودن پهنه‌های آلوده ضروری به نظر می‌رسد؛ بنابراین استفاده از مدل‌های ریاضی در قالب یادگیری ماشینی رویکردی بهینه و مقرون به صرفه برای مدل‌سازی آلودگی هواست. این تحقیق به‌ لحاظ هدف کاربردی بوده و روش بررسی آن توصیفی-تحلیلی است. نوآوری تحقیق حاضر ارائه یک رویکرد ترکیبی جدید جهت تعیین معیارهای مؤثر در پیش‌بینی میزان آلودگی هوا می‌باشد. لذا هدف از تحقیق حاضر ارزیابی و مقایسه قابلیت دو مدل یادگیری ماشین، یعنی ماشین بردار پشتیبان (‏SVM)‏ و جنگل تصادفی (‏RF) ‏در ترکیب با الگوریتم ژنتیک (GA) جهت پیش‌بینی میزان آلودگی هوا در شهرستان تهران است. داده‌های مورداستفاده در این تحقیق شامل ذرات معلق و آلاینده‌های گازی شهر تهران مرتبط با سال 1399 می‌‌باشد که از شرکت کنترل ترافیک شهر تهران اخذ گردیده است. به منظور تجزیه‌وتحلیل داده‌ها از نرم‌افزارهای Matlab و ArcMap استفاده شد. مقدار ضریب تشخیص (R2) حاصل از روش ترکیبی RF-GA برابر 997/0 به دست آمد که نشان­دهنده سازگاری بالای این مدل با داده­های این تحقیق است. همچنین مقدار ریشه میانگین خطای مربعات (RMSE) برابر 153/0 به دست آمد که نشان­دهنده دقت بالای این مدل می­باشد. بر اساس اطلاعات گرفته شده از شرکت کنترل ترافیک شهر تهران، نتایج حاصل از روش RF بیانگر مناسب بودن انتخاب مدل مذکور جهت برآورد میزان آلودگی هوای شهر تهران بوده است.

Keywords

• آلودگی هوا
• یادگیری ماشین
• جنگل تصادفی
• ماشین بردار پشتیبان
• الگوریتم ژنتیک